检索结果-南通市图书馆

维普期刊数据库

同方期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

乳腺超声图像去噪技术研究

乳腺超声图像去噪技术研究

作者：陈雅玲南京邮电大学

学位级别：硕士

提高乳腺超声图像质量对于乳腺超声临床治疗具有重要意义,低噪声、高对比度的图像能极大地提高医生对病情诊断的准确率。然而,由于超声图像采集原理及成像设备的影响,采集到的超声图像天然含有大量散斑噪声,其在图像中呈现为颗粒状斑点... 详细信息

提高乳腺超声图像质量对于乳腺超声临床治疗具有重要意义,低噪声、高对比度的图像能极大地提高医生对病情诊断的准确率。然而,由于超声图像采集原理及成像设备的影响,采集到的超声图像天然含有大量散斑噪声,其在图像中呈现为颗粒状斑点,导致图像细节分辨率不高且边界模糊不清,影响超声图像后续的特征提取、病灶分割等工作。研究人员针对散斑噪声的去除提出了许多方法并取得了较好的效果,但仍存在一些问题,如图像边缘保留不足以及算法复杂度较高。在此背景下,本文针对散斑噪声去除中存在的问题,对乳腺超声图像去噪方法进行研究,旨在有效提高乳腺超声图像质量。具体工作内容如下:(1)本文对非下采样剪切波变换(Non-subsampled Shearlet Transform,NSST)进行改进,提出了基于NSST与改进模糊的乳腺超声图像去噪算法。首先,通过改进模糊算法增强图像对比度;然后,采用NSST将图像分解为低频部分和高频部分,对低频部分进行线性变换以调整图像整体对比度,对高频部分采用自适应阈值模型去除图像中的噪声;最后,将处理后的高、低频部分通过逆NSST获得降噪图像。在自建乳腺超声图像集上的实验结果表明,相比于实验中选取的对比算法,该算法处理后图像的散斑抑制和均值保持指数最优且边缘保持指数至少提高了3.87%,具有较好的去噪效果。(2)传统块匹配三维滤波(Block-matching and 3D Filtering,BM3D)算法中块匹配过程需要对参考块给定邻域范围内的所有图像块进行相似性判断,导致算法运行效率低,针对该问题,本文提出一种融合超像素分割的改进BM3D乳腺超声图像去噪算法(以下简称Superpixel-BM3D)。首先,引入基于噪声密度空间聚类(Density-based Spatial Clustering of Applications with Noise,DBSCAN)的超像素分割方法,对原图进行超像素分割得到相应的超像素标签矩阵;然后,利用超像素标签矩阵来引导BM3D算法中的块匹配过程,一方面可以减少相似块的搜索时间,另一方面超像素标签也给相似块度量提供了辅助信息,提高了块匹配的准确性;最后,改进BM3D算法中的硬阈值滤波,局部噪声参数估计进一步提升去噪效果。在自建乳腺超声图像集上的实验结果表明,相比于传统BM3D算法,该算法处理后的图像等效视数平均提高了1.75%,边缘保持指数平均提高了2.56%,而算法处理时间平均降低了51.62%,兼顾了去噪效果和算法处理时间。(3)本文提出的Superpixel-BM3D算法相比传统BM3D算法在去噪效果和运行效率上均有提升。然而,乳腺超声图像中的散斑噪声会直接影响超像素分割的准确性,从而影响块匹配过程中相似块的选取,导致BM3D在平衡噪声去除和图像边缘保留上仍有不足。因此,本文首先采用多滤波离散分数傅里叶变换(Discrete Fractional Fourier Transform,DFRFT)对图像进行增强,根据乳腺超声图像经DFRFT后频谱图的特征,设计了两种滤波器,采用两种滤波器分别对图像进行滤波并融合得到增强图像,再进行超像素分割以获得更精确的超像素标签矩阵。此外,为了进一步降低算法处理时间,在保证去噪效果的条件下,采用曼哈顿距离作为相似性度量方式。在自建乳腺超声数据集上的实验结果表明,相比于传统BM3D算法,该算法处理后的图像等效视数平均提高了5.76%,边缘保持指数平均提高了5.96%,而算法处理时间平均降低了46.27%,在兼顾去噪效果和图像边缘保留的同时降低了算法处理时间。

关键词：图像去噪乳腺超声图像非下采样剪切波变换块匹配三维滤波模糊增强超像素分割离散分数傅里叶变换

基于深度学习的乳腺超声图像BI-RADS五分类方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

云南大学学报（自然科学版） 2023年第4期45卷 815-824页

作者：佘芙蓉易伦朝罗晓茂李玲兰易三莉昆明理工大学信息工程与自动化学院云南昆明650500 昆明理工大学云南省计算机技术应用重点实验室云南昆明650500 昆明理工大学食品科学与工程学院云南昆明650500 云南省肿瘤医院超声医学科云南昆明650118

基于乳腺超声图像研究了一种深度学习自动分类算法TDS-Net,用于实现乳腺影像报告和数据系统(BI-RADS)3、4a、4b、4c、5级的五分类.TDS-Net设计了双支路的结构:首先,第一条支路采用提出的DDModule叠加构成,该模块能够减少超声图像中的伪... 详细信息

基于乳腺超声图像研究了一种深度学习自动分类算法TDS-Net,用于实现乳腺影像报告和数据系统(BI-RADS)3、4a、4b、4c、5级的五分类.TDS-Net设计了双支路的结构:首先,第一条支路采用提出的DDModule叠加构成,该模块能够减少超声图像中的伪影并提取丰富的局部细节特征;其次,第二条支路由卷积块构成,它主要用于提取图像的全局特征信息,作为第一支路的信息补充;最后,将两条支路融合得到含有丰富特征信息的融合特征图,并采用深度可分离卷积和SENet进一步提取图中的信息,其中,深度可分离卷积能够减少参数并增加网络的非线性进而增强其提取特征的能力,SENet注意力机制能增强高阶特征信息的提取.为验证该算法,采用云南省肿瘤医院提供的数据进行实验,结果显示准确率、精准率、F1值分别为94.67%、94.81%、94.69%,均高于对比算法,体现了该算法的优越性.同时为验证该算法的鲁棒性和普适性,基于两个公共数据集做了良恶性二分类的实验,实验结果同样高于对比算法.这些结果表明,所提算法TDS-Net对乳腺超声图像具有较强的识别能力,有望应用于临床医学.

关键词：图像分类乳腺超声图像乳腺影像报告和数据系统深度学习卷积神经网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

乳腺超声图像中易混淆困难样本的分类方法

中国图象图形学报 2020年第7期25卷 1490-1500页

作者：杜章锦龚勋罗俊章哲敏杨菲西南交通大学信息科学与技术学院成都610000 四川省医学科学院四川省人民医院成都610072

目的超声诊断常作为乳腺肿瘤首选的影像学检查和术前评估方法,但存在良恶性结节的图像表现重叠、诊断严重依赖医生经验,以及需要较多人机交互等问题。为减少误诊和不必要的穿刺活检率,以及提高诊断自动化程度,本文提出一种端到端的模型... 详细信息

目的超声诊断常作为乳腺肿瘤首选的影像学检查和术前评估方法,但存在良恶性结节的图像表现重叠、诊断严重依赖医生经验,以及需要较多人机交互等问题。为减少误诊和不必要的穿刺活检率,以及提高诊断自动化程度,本文提出一种端到端的模型,实现结节区域自动提取及良恶性鉴别。方法就超声图像散斑噪声问题使用基于边缘增强的各向异性扩散去噪模型(edge enhanced anisotropic diffusion,EEAD)实现数据预处理,之后针对结节良恶性特征提出一个改进的损失函数以增强鉴别性能,通过形状描述符组合挖掘因形状与其他类别相似从而易导致错判的困难样本,为使该部分困难样本具有更好的区分性,应用改进的损失函数,并在此基础上构建困难样本形状约束损失项,用来调整形状相似但类别不同样本间的特征映射。结果为验证算法的有效性,构建了一个包含1805幅图像的乳腺超声数据集,在该数据集上具有5年资历医生的平均判断准确率为85.3%,而本文方法在该数据集上分类正确率为92.58%,敏感性为90.44%,特异性为93.72%,AUC(area under curve)为0.946,均优于对比算法;相对传统Softmax损失函数,各评价指标提高了5%~12%。结论本文提出了一个端到端的乳腺超声图像分类方法,实用性强;通过将医学知识融合到优化模型,增加的困难样本形状约束损失项可提高乳腺肿瘤良恶性诊断的准确性和鲁棒性,各项评价指标均高于超声科医生,具有临床应用价值。

关键词：乳腺超声图像乳腺结节分类深度学习损失函数计算机辅助诊断困难样本

基于深度学习和注意力机制的乳腺超声图像分割算法研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习和注意力机制的乳腺超声图像分割算法研究

作者：陈朝一广东财经大学

学位级别：硕士

乳腺癌是影响全世界妇女健康的最严重疾病之一,因此开发一种能够在早期阶段发现乳腺癌的方法是非常迫切的。乳腺超声成像成本低、携带方便,因此它成为乳腺癌诊断的最重要方法之一。然而,超声图像的高噪声、低对比度和均匀性差的特性,使... 详细信息

乳腺癌是影响全世界妇女健康的最严重疾病之一,因此开发一种能够在早期阶段发现乳腺癌的方法是非常迫切的。乳腺超声成像成本低、携带方便,因此它成为乳腺癌诊断的最重要方法之一。然而,超声图像的高噪声、低对比度和均匀性差的特性,使得乳腺超声图像分割仍然是一个极具挑战性的问题。目前,基于传统机器学习的分割方法,大多是通过提取图像小块的低层特征进行分类,进而实现分割。然而,这类方法未能有效利用乳腺超声图像中的高维信息,难以准确地表达乳腺肿瘤的形态。为了实现更准确的分割,本文提出两种乳腺超声图像分割方法:(1)针对以往无法同时利用乳腺超声图像三个维度信息和进行语义分割所需的计算机资源过多的问题,提出了一个基于三维注意力机制的乳腺超声图像分割算法。引入了一个差分和排序操作,对于三维体积的每一个切片,总结其相邻的信息,以有效地利用第三维。设计了一个改进版的并发空间和通道“挤压和激发”块,它用深度卷积层取代了全局平均池和全连接层,从空间维度抽象出信息,并减少了参数的数量。改进了一个注意力增强的二维U-Net,将三维体积的二维切片作为输入。最终把所有的模块放在一起,形成最终模型——基于三维注意力机制的乳腺超声图像分割算法。(2)针对医学图像数据不足和偏差现象导致的性能下降问题,提出了一种基于改进型U-Net++的乳腺超声图像分割算法。以U-Net++模型作为特征提取的基本模型,并采用Efficient Det作为编码器以替代原U-Net++编码器。在编码器中融合CSSE块,通过注意力机制聚焦关键区域。重新设计了网络结构,在保证性能不损失的情况下减少了模型参数的数量,提高了模型的运行速度。针对本文提出的两种乳腺超声图像分割算法分别设计了充足的实验,验证其可行性和有效性。另外,设置对比实验,引入U-Net、FCN和Mask R-CNN等算法进行比较。实验结果表明,通过本文提出的算法,图像中的特征可以得到更有效的利用,在准确率上有明显的提高,比较接近医师标注的轮廓。

关键词：深度学习注意力机制乳腺超声图像图像分割

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的乳腺超声图像肿块分割研究

基于深度学习的乳腺超声图像肿块分割研究

作者：马晗兰州大学

学位级别：硕士

乳腺癌目前是全球最常见的癌症,严重威胁女性健康。早发现、早治疗是提高乳腺癌患者生存率的关键,故乳腺癌的早期筛查日益受到重视。在所有筛查方法中,超声检查凭借其价格低廉、高灵活度、无辐射、无创口等优点成为乳腺癌早期筛查的主... 详细信息

乳腺癌目前是全球最常见的癌症,严重威胁女性健康。早发现、早治疗是提高乳腺癌患者生存率的关键,故乳腺癌的早期筛查日益受到重视。在所有筛查方法中,超声检查凭借其价格低廉、高灵活度、无辐射、无创口等优点成为乳腺癌早期筛查的主推手段。但是,人工阅片费时费力,而且受医生经验和状态影响,易产生误诊。为了减轻医生工作负担,降低误诊率,基于乳腺超声图像的计算机辅助诊断(Computer-Aided Diagnosis,CAD)系统逐渐被应用到临床中。乳腺超声肿块的自动分割正是CAD系统的关键环节,具有十分重要的理论研究价值和实用性。而乳腺超声肿块形态多样、背景复杂、边界模糊,因此要实现精准分割仍是一项具有挑战性的任务。为此,本文提出了两种基于深度学习(Deep Learning,DL)的乳腺超声图像肿块分割算法,分别包括:(1)基于多重注意力Transformer的乳腺超声肿块分割:超声图像可以显示乳腺内部的复杂结构,在其上识别肿块往往需要结合背景信息来综合判断。这要求分割模型需对图像有全局视角的分析。为此,本文设计了一种基于多重注意力Transformer的混合网络模型MATnet(Multiple Attention Transformer-CNN Network),将着眼于全局提取特征的Transformer与卷积网络(Conv Net)相结合,来弥补卷积分割网络缺乏全局视角的不足,以提升网络性能。具体来说,本文提出了两个基于自注意力机制的全局信息补充模块,包括基于多头通道自注意力的新型Transformer编码块CATB(Channel Attention Transformer Block)和基于向量交叉注意力的跨尺度特征融合解码块TCFB(Token Cross-attention Fusion Block)。前者能在CNN提取局部细节特征的基础上补充跨通道的远距离的像素依赖关系,增强全局信息的捕捉。后者能为特征融合提供全局视野,实现跨尺度的语义交互,改进低、高级特征的融合方案。更进一步,本文将这两个模块有机地与Res Net-34结合起来,开发出一种新的基于多重注意力的U型分割网络,以实现高效精准的超声图像语义分割。为评估模型性能,本文在两个公开的乳房超声数据集BUSI和UDIAT上进行了一系列实验。结果表明,与其他先进方法相比,MATNet是一个具有优越的准确性和鲁棒性的轻量模型。(2)基于大核注意力卷积网络的乳腺超声肿块分割:乳腺超声图像中的肿块大小不一,边界不规则,有时候还存在其他结构影像的干扰。要精确分割肿块,除了要有充足的感受野和边缘细节信息敏感度,也要结合多尺度的特征图进行有效信息的筛选。为此,本文利用大核卷积改进CNN分割方法的编码设计,提出了基于大核注意力卷积网络的分割算法LKAnet(Large Kernel Attention Network),以期充分发挥卷积对细节特征提取的强大潜能实现对肿块边缘的精细分割。该算法沿用了经典的U型网络结构,引入了新一代大核卷积网络(Conv Ne Xt)作为编码主干网络,用大尺寸深度卷积扩展感受野,并设计了大核注意力模块LKAB(Large Kernel Attention Block)对不同尺度的特征图进行空间信息与通道信息的筛选,同时消解跳跃连接的语义间隙。为与编码模块保持一致,本文用大核深度可分卷积和分组卷积设计了新的解码模块。LKAnet在仅使用BUSI数据集五分之四的样本训练的情况下,在BUSI和UDIAT数据集上分别获得了83.35%和79.62%的Dice得分,同其他SOTA算法相比在灵敏度、豪斯多夫距离等指标上提升明显。

关键词：乳腺超声图像图像分割 CAD系统卷积神经网络 Transformer

基于特征融合和注意力机制的乳腺超声图像辅助诊断研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于特征融合和注意力机制的乳腺超声图像辅助诊断研究

作者：马明伦燕山大学

学位级别：硕士

2020年,乳腺癌成为全世界女性确诊病例数最多的癌症,严重危害着女性的身体健康。基于乳腺超声图像的计算机辅助诊断系统能够给出重要的“第二意见”。早期的计算机辅助诊断系统需要医生手动标记,费时费力,随着深度学习的快速发展,肿瘤... 详细信息

2020年,乳腺癌成为全世界女性确诊病例数最多的癌症,严重危害着女性的身体健康。基于乳腺超声图像的计算机辅助诊断系统能够给出重要的“第二意见”。早期的计算机辅助诊断系统需要医生手动标记,费时费力,随着深度学习的快速发展,肿瘤分割与肿瘤分类技术取得了优异的表现。通过肿瘤分割技术对病灶区域进行分割,通过肿瘤分类技术对病变图像进行分类识别,大幅提升了临床乳腺癌诊断的效率。然而由于超声图像的图像质量问题,计算机辅助诊断技术仍存在识别率低、识别慢的问题。本文致力于利用深度学习的方法,解决乳腺肿瘤病变区域的分割与分类的问题和难点,并深入研究了以下几点内容:(1)研究面向乳腺超声图像研究肿瘤自动分割算法。针对目前主流分割模型提取特征效率低、容易造成特征丢失等问题,本文提出了一种基于Mobile Net主干和特征融合的编码-解码病灶分割网络,首先编码器对图像的多尺度特征进行提取,扩大网络感受野,然后解码器对特征图进行融合后上采样还原图像语义信息,并设计损失函数约束图像病灶区域和背景区域辅助模型用于训练。在公开数据集上,模型能达到0.791的Mean Io U和0.855的Dice系数值。(2)为了将肿瘤分割和肿瘤分类更好的联系在一起,形成完整的辅助诊断方案,利用肿瘤分割的先验信息,对乳腺超声图像进行分割增强预处理。利用形态学操作、双边滤波和CLAHE等方法,对原始实现去除噪声、细节和边缘增强的效果,生成RGB图像用于肿瘤分类。(3)研究面向乳腺超声图像研究肿瘤自动分类算法。改进设计轻量级视觉注意力网络VAN用于肿瘤分类,引入混合前馈神经网络模块,利用大核注意力机制提取图像局部和细节信息,并采用Softmax分类器对图像特征进行分类。在肿瘤分类私人数据集上进行实验验证,Accuracy和F1-score分别达到了0.9066、0.9079。最后对图像预处理策略贡献度进行分析,证明了所提出的乳腺超声图像辅助诊断方案的有效性与优越性。

关键词：乳腺超声图像深度学习肿瘤分割肿瘤分类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度迁移学习的乳腺超声图像分类研究

基于深度迁移学习的乳腺超声图像分类研究

作者：吴凯文广东财经大学

学位级别：硕士

超声图像由于其快速无辐射等优势现已成为乳腺癌术前诊断的首选影像学检查方式,但是乳腺超声图像的诊断依然严重依赖于医生的经验。近年来计算机辅助诊断技术发展迅速,无论是利用人工设计特征的机器学习算法还是利用庞大数据集训练模型... 详细信息

超声图像由于其快速无辐射等优势现已成为乳腺癌术前诊断的首选影像学检查方式,但是乳腺超声图像的诊断依然严重依赖于医生的经验。近年来计算机辅助诊断技术发展迅速,无论是利用人工设计特征的机器学习算法还是利用庞大数据集训练模型的深度学习算法都有了里程碑式的突破。这些技术的进步不仅减少了医生的工作负担,更是提高了乳腺肿瘤诊断的准确性,极大地减少了误诊情况的出现。本课题针对乳腺超声图像获取困难以及数据分布有差异的问题,分别从监督型迁移学习与无监督迁移学习两个角度解决乳腺超声图像小样本、少标注带来的训练难题。首先提出了一种基于特征融合的深度迁移学习模型,相较于传统的微调迁移学习模型,该模型更加注重特征提取的全面性,分别利用较浅的Res Net18模型与较深的Dense Net模型提取高低层特征,从而在解决小样本问题的同时有效地提高了模型在乳腺超声图像上的分类准确度。之后提出了一种基于多核最大均值差异的动态对抗领域自适应。该方法是一种无监督自适应学习算法,其在解决少标注问题的同时还充分考虑到乳腺超声图像数据集特征分布差异的问题,在原有动态对抗领域自适应的基础上加入自适应层进一步对齐源域与目标域数据集的特征分布从而提高了模型在乳腺超声图像上的分类性能。最后本文将提出的两种算法与传统迁移学习算法进行了大量对比实验,其中监督型迁移学习的实验表明,基于特征融合的深度迁移学习算法在乳腺超声图像数据集上的分类性能相较于传统迁移学习算法均有提高。而无监督迁移学习的实验表明,基于多核最大均值差异的领域自适应算法在乳腺超声图像上的各项分类指标也比传统领域自适应有所提高。

关键词：图像分类乳腺超声图像深度学习迁移学习领域自适应

基于深度学习的乳腺超声图像分类与分割方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的乳腺超声图像分类与分割方法研究

作者：黄晨曦南昌大学

学位级别：硕士

乳腺癌是女性癌症死亡的主要原因之一,早期发现和治疗可以有效地降低死亡率。超声成像因具备低成本、无辐射、高实时性等优点,被应用于早期乳腺癌临床影像筛查中。目前,临床上针对乳腺癌的超声检查及诊断主要依赖于人工辨别,这对医生的... 详细信息

乳腺癌是女性癌症死亡的主要原因之一,早期发现和治疗可以有效地降低死亡率。超声成像因具备低成本、无辐射、高实时性等优点,被应用于早期乳腺癌临床影像筛查中。目前,临床上针对乳腺癌的超声检查及诊断主要依赖于人工辨别,这对医生的专业水平和临床经验提出了很高的要求。深度学习技术可以自动地从原始图像中学习特征,并通过这些特征识别和分析疾病病变。因此,本文采用深度学习技术构建分类模型和分割模型,旨在实现对乳腺肿瘤的自动检测,以协助医生进行诊断,减轻医生负担。本文的主要研究内容如下:(1)提出了基于注意力机制的乳腺超声图像分类模型AS-Xception。首先,对Xception网络进行改进,通过跨多个深度可分离卷积模块进行跳跃连接来实现浅层特征和深层特征的融合,从而使网络充分利用浅层提取的纹理信息。同时在维持网络性能的前提下,通过缩减网络宽度来降低网络的参数量和计算量。其次,提出了一种空间与通道混合注意力机制SCA,并将其应用到改进的Xception中,从而提升网络对空间和通道上的显著信息的关注。实验结果证明了该模型对乳腺肿瘤分类的有效性。(2)提出了基于多尺度注意力的乳腺超声图像分割模型MSAR-UNet。针对乳腺超声图像中肿瘤尺寸相差较大,不利于网络充分提取肿瘤特征的问题,提出了多尺度注意力模块MSA,并将其应用于Attention U-Net中的下采样操作。该模块使网络在下采样时能够捕获多尺度特征和聚焦于有用信息,从而充分提取不同大小肿瘤的特征。此外,将残差连接添加到网络的卷积块周围,以促进信息的传播,防止模型性能退化。实验结果表明该模型能够获得良好的分割效果。(3)在上述研究的基础上,本文构建了一个乳腺超声图像辅助诊断系统,上传乳腺超声图像便可实现乳腺肿瘤的自动分类和分割。该系统能协助医生诊断乳腺癌,从一定程度上降低误诊率并提高诊断效率。本文提出的乳腺超声图像分类模型和分割模型,能针对乳腺超声图像中的肿瘤进行分类和分割,为乳腺超声图像辅助诊断提供了方法参考。

关键词：乳腺超声图像分类分割注意力机制多尺度

基于神经网络的乳腺超声图像肿瘤诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于神经网络的乳腺超声图像肿瘤诊断方法研究

作者：佘芙蓉昆明理工大学

学位级别：硕士

乳腺癌已经超越肺癌成为世界上发病率最高的癌症,让高危人群定期做乳腺检查有助于及时发现疾病。超声为临床乳腺疾病检查提供了必要的影像学信息,成为筛查及诊断乳腺疾病的常规手段。乳腺肿瘤的良恶性识别具有非常重要的意义。但是如果... 详细信息

乳腺癌已经超越肺癌成为世界上发病率最高的癌症,让高危人群定期做乳腺检查有助于及时发现疾病。超声为临床乳腺疾病检查提供了必要的影像学信息,成为筛查及诊断乳腺疾病的常规手段。乳腺肿瘤的良恶性识别具有非常重要的意义。但是如果仅对乳腺肿瘤简单地进行良恶性分类,在实际临床中容易让影像科医生对患者的病情误诊,这样大而化之的分类难以满足实际需求。美国放射学会提出的乳腺影像报告和数据系统(Breast imaging reporting and data system,BI-RADS)使描述和评价乳腺病灶特征的标准和术语都趋于规范化,对乳腺肿瘤的病变程度进行详细分级,显著提高了乳腺疾病诊断的准确率,更能满足临床需求。神经网络是当前极具应用前景的人工智能技术,基于神经网络的计算机辅助诊断系统能够客观地、准确地、高效地对乳腺超声图像进行处理,优化诊断流程提高诊断水平。针对上述问题,本文提出了三种解决方法,它们分别为:(1)提出了一种改进的NASNet网络对乳腺肿瘤的良恶性进行分类。它综合了NASNet迁移学习、深度可分离卷积和注意力机制(Squeeze-and-Excitation Networks,SENet)模块的优势。NASNet具有优秀的特征学习能力,能够针对乳腺超声图像选择出最优的网络结构提取特征,然而因为它的运算量及参数量非常庞大。因此,在处理小样本数据集时,迁移学习是一种提高模型准确性的同时节约计算成本的有效方法。此外,利用深度可分离卷积和SE技术,在模型的最深处提取肿瘤边界的特征信息,以及更多与病症更加相关的高阶特征。(2)提出了一种新网络TDC Net对乳腺恶性肿瘤的BI-RADS 3、4a、4b、4c、5级进行分类。它有两条路径,包括卷积神经网络(Convolutional neural network,CNN)路径和胶囊网络Caps Net路径。这两条路径各有其优点,CNN用于提取丰富而详细的局部语义特征,Caps Net用于提取图像的位置和姿态信息。对于CNN路径,被名为TD-Net,它由两个支路组成:DD Module支路和卷积支路,DD Module支路主要用于减少超声图像中的伪影并提取丰富的局部细节信息;卷积支路主要提取全局信息,作为DD Module支路的信息补充。其中DD Module可以减少呼吸伪影和探测运动伪影对识别的影响,并且捕获可能出现的形变特征。同时,CNN路径和Caps Net路径的结合也增加了网络的复杂性,所以在两条路径融合时使用特殊操作以控制参数的增长。网络的最后也利用了深度可分离卷积和SE模块对肿瘤和及其边界特征信息做最后的提取。(3)提出了一种基于乳腺肿瘤病灶区域的识别方法,提升肿瘤的良恶性识别率。首先基于ENet改进的模型在带有mask的乳腺超声公共数据集上训练并保存其权重。接着将保存的权重应用于云南省肿瘤医院提供的不带mask的临床数据,得到病灶的预测mask。然后将该mask覆盖于原图上得到只有预测病灶的乳腺超声图像。最后使用本文所提的二分类网络对预测病灶进行肿瘤的良恶性分类。这种方法能减少乳腺超声图像中无关组织对诊断结果的影响,并且肿瘤的边界也能为模型最终识别提供更多的特征信息。实验结果发现,对比仅使用分类网络简单识别,所提方法能大幅度地提高识别的准确性。该方法在临床的乳腺肿瘤诊断中能起到很好辅助作用,一方面可以极大地提高识别的准确度,另一方面可以节省分割数据的标注时间。

关键词：神经网络乳腺超声图像良恶性分类 BI-RADS分级 NASNet TDCNet